2025.11.6

07_rag_advanced/03_rag_as_tool.py

@@ -0,0 +1,136 @@
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+
+from langchain_huggingface import HuggingFaceEmbeddings
+from langchain_chroma import Chroma
+from langchain_openai import ChatOpenAI
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.output_parsers import StrOutputParser
+from langchain_core.runnables import RunnablePassthrough
+from langchain.retrievers import ContextualCompressionRetriever
+from langchain_community.cross_encoders import HuggingFaceCrossEncoder
+from langchain.retrievers.document_compressors import CrossEncoderReranker
+from langchain_core.tools import tool
+
+
+# 全局 LLM (供Agent和Rag共用)
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com"
+)
+
+# (1) 构建一个可复用的 RAG链条 (P1+P2)
+def build_rag_chain(llm_instance):
+    print('---正在构建RAG链条...---\n')
+
+    Persist_directory = './chroma_db_war_and_peace_bge_small_en_v1.5'
+    Embedding_model = 'BAAI/bge-small-en-v1.5'
+    Encoder_model = "BAAI/bge-reranker-base"
+
+    if not os.path.exists(Persist_directory):
+        raise FileNotFoundError(f'索引目录{Persist_directory}未找到，请先运行 build_index.py')
+
+    embeddings_model = HuggingFaceEmbeddings(model_name=Embedding_model)
+    db = Chroma(
+        persist_directory=Persist_directory,
+        embedding_function=embeddings_model
+    )
+
+    # 1. R-检索--强化版
+    base_retriever = db.as_retriever(search_kwargs={"k":5})
+    encoder = HuggingFaceCrossEncoder(model_name=Encoder_model)
+    reranker = CrossEncoderReranker(model=encoder,top_n=2)
+    compression_retriever=ContextualCompressionRetriever(
+        base_retriever=base_retriever,
+        base_compressor=reranker
+    )
+    retriever = compression_retriever
+
+    # 2. A-增强
+    sys_prompt = """
+    你是一个博学的历史学家和文学评论家。
+    请根据以下上下文回答问题。如果上下文**强烈暗示**了答案，即使未明说，也可推理回答。
+    如果完全无关，请回答“对不起，根据所提供的上下文我不知道”。
+    
+    [上下文]: {context}
+    [问题]: {question}
+    """
+    prompt = ChatPromptTemplate.from_messages([
+        ('system',sys_prompt),
+        ('human','{question}')
+    ])
+    # 3.G-生成(llm已在全局生成)
+
+    # 4. 辅助函数
+    def format_docs(docs):
+        return '\n'.join(doc.page_content for doc in docs)
+
+    # 5.组装RAG链条
+    rag_chain = (
+        {'context':retriever | format_docs, 'question': RunnablePassthrough()}
+        | prompt
+        | llm_instance
+        | StrOutputParser()
+    )
+    print('---RAG链条构建完毕!---\n')
+    return rag_chain
+
+
+#    初始化RAG链
+rag_chain_instance = build_rag_chain(llm)
+
+# (2) 封装为标准 Langchain Tool
+@tool
+def search_war_and_peace(query):
+    """查询《战争与和平》小说中的内容，包括人物、情节、历史事件等"""
+    print(f'\n正在检索《战争与和平》:{query}')
+    return rag_chain_instance.invoke(query)
+
+# 也可以与其他工具并列使用
+@tool
+def get_weather(location):
+    """模拟获得天气信息"""
+    return f"{location}当前天气：23℃，晴，风力2级"
+
+
+tools = [search_war_and_peace,get_weather]
+
+
+# 运行
+if __name__ == '__main__':
+    question = "皮埃尔是共济会成员吗？他在其中扮演什么角色？"
+    res = search_war_and_peace.invoke(question)
+    print(f'问题:{question}')
+    print(f'回答:{res}')
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+